DEVELOPMENT AND VALIDATION OF A PREDICTION ALGORITHM FOR USE BY HEALTH PROFESSIONALS IN PREDICTION OF RECURRENCE OF MAJOR DEPRESSION
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: There exists very little evidence to guide clinical management for preventing recurrence of major depression. The objective of this study was to develop and validate a prediction algorithm for recurrence of major depression. METHODS: Wave 1 and wave 2 longitudinal data from the U.S. National Epidemiological Survey on Alcohol and Related Condition (2001/2002–2003/2004) were used. Participants with a major depressive episode at baseline and who had visited health professionals for depression were included in this analysis (n = 2,711). Mental disorders were assessed based on the DSM-IV criteria. RESULTS: With the development data (n = 1,518), a prediction model with 19 unique factors had a C statistics of 0.7504 and excellent calibration (P = .23). The model had a C statistics of 0.7195 in external validation data (n = 1,195) and 0.7365 in combined data. The algorithm calibrated very well in validation data. In the combined data, the 3-year observed and predicted risk of recurrence was 25.40% (95% CI: 23.76%, 27.04%) and 25.34% (95% CI: 24.73%, 25.95%), respectively. The predicted risk in the 1st and 10th decile risk group was 5.68% and 60.21%, respectively. CONCLUSIONS: The developed prediction model for recurrence of major depression has acceptable discrimination and excellent calibration, and is feasible to be used by physicians. The prognostic model may assist physicians and patients in quantifying the probability of recurrence so that physicians can develop specific treatment plans for those who are at high risk of recurrence, leading to personalized treatment and better use of resources.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle